La tecnología de DijiFlow: reconocimiento de voz en el dispositivo y Apple Silicon, explicados de forma sencilla
Apple Silicon5 min de lectura

La tecnología de DijiFlow: reconocimiento de voz en el dispositivo y Apple Silicon, explicados de forma sencilla

Cómo convierte DijiFlow Dictate tu voz en texto en tu propio ordenador, con modelos de voz locales y Apple Silicon. Explicado con palabras sencillas.

Casi cualquier herramienta de dictado parece magia hasta que te haces la pregunta obvia: ¿adónde va realmente mi voz? Con DijiFlow Dictate, la respuesta sincera es: a ninguna parte. Hablas, el texto aparece en el cursor y ni una sola palabra viaja a un servidor. Sin cuenta y sin subir tu audio ni tu texto. No es una promesa de privacidad añadida al final: es consecuencia directa de cómo está hecha la aplicación.

Funciona gracias a tres piezas bien conocidas: el modelo de voz para escuchar; el entorno de ejecución para hacerlo funcionar de forma eficiente en un Mac; y Apple Silicon, el chip que hace que todo parezca instantáneo. No necesitas conocimientos previos: te explicamos cada una con palabras sencillas.

  • ~34 MB
    descarga de la aplicación para Mac
  • 300 MB–6 GB
    modelo de voz, se descarga una vez
  • Neural Engine
    donde se hace realmente el trabajo

El modelo de voz: convertir sonidos en palabras

En el núcleo de DijiFlow Dictate hay modelos de reconocimiento de voz que funcionan en tu propio ordenador. Dicho de forma sencilla, un modelo de voz es un enorme sistema de reconocimiento de patrones entrenado con muchísimo audio acompañado de su transcripción. Con esos datos aprende a relacionar los sonidos que emitimos con las palabras que queremos decir, con distintos acentos, ruido de fondo y las pausas naturales del habla real.

Cuando dictas, el modelo calcula la secuencia de palabras más probable a partir del audio del micrófono, y lo hace realmente bien. Con voz clara alcanza alrededor de un 98% de precisión, y DijiFlow Dictate transcribe 29 idiomas con soporte completo y reconoce más de 90 con detección automática. Como tiene en cuenta el contexto en lugar de comparar palabra por palabra, se defiende bien con la forma desordenada en que hablamos de verdad.

Por qué el modelo se descarga aparte

Esto es lo que sorprende a mucha gente: la aplicación y la inteligencia son dos archivos distintos. En Mac, DijiFlow Dictate ocupa poco: unos 34 MB. Lo pesado son los modelos de voz, que ocupan de unos 300 MB a 6 GB según el que elijas. En Pro y en la prueba, «Grande» es el más preciso, «Exprés» se le acerca y es más rápido, y «Rápido» es el más veloz, en 16 idiomas, incluido el inglés; la versión gratuita usa «Estándar» y «Mejorado». Tú eliges el equilibrio entre velocidad y precisión que te conviene.

El modelo se descarga una sola vez; a partir de ahí, la transcripción no necesita internet para nada. Ese único paso es justo lo que permite que tu voz se quede en tu ordenador.

El entorno de ejecución: hacer funcionar el modelo de forma eficiente

Un modelo de voz solo sirve si funciona rápido y sin agotar la batería. De eso se encarga el entorno de ejecución, la capa que ejecuta los modelos de aprendizaje automático en el propio dispositivo. Imagínalo como un intérprete y un controlador de tráfico a la vez: recibe el modelo de voz y decide cómo ejecutarlo con las partes más adecuadas de tu hardware.

En un Mac, los modelos de voz de DijiFlow Dictate están compilados para el marco de aprendizaje automático de Apple, que forma parte de macOS. Así, el modelo está optimizado específicamente para el hardware de Apple en lugar de ejecutarse como código genérico y más lento, y el dictado sigue el ritmo del habla natural sin cargar el sistema. Y todo ocurre en local: ese marco no es un servicio en la nube, sino una parte del sistema operativo que permite a las aplicaciones ejecutar modelos de aprendizaje automático de forma privada, en el propio dispositivo.

Apple Silicon: el chip que lo hace instantáneo

La última pieza es el hardware. En los Mac actuales, eso significa Apple Silicon (los chips de la serie M) en los Mac con macOS 14 o posterior. Estos chips incluyen un Neural Engine dedicado, una parte del chip diseñada específicamente para ejecutar modelos de aprendizaje automático muy rápido y con muy poco consumo, y además pueden usar la GPU a través de Metal cuando hace falta más potencia.

No tienes que configurar nada de esto. El marco reparte el trabajo automáticamente entre el hardware adecuado; tú solo hablas y el chip se encarga en tiempo real. Esa es la ventaja discreta del diseño en el dispositivo: el mismo chip que hace que tu Mac responda con agilidad es el que hace posible un dictado privado.

Todo el proceso, de principio a fin

Si pones las tres piezas en orden, el recorrido es corto y completamente local.

  1. Hablas

    El audio del micrófono se captura en el dispositivo y no se envía a ninguna parte.

  2. El modelo de voz trabaja en el Neural Engine

    El modelo convierte el sonido en palabras allí mismo, en Apple Silicon, en tiempo real.

  3. El texto aparece en el cursor

    Tus palabras aparecen en la aplicación que estés usando. No se envían a ningún sitio, así que no hay nada que pueda filtrarse.

La clave

El modelo está en tu ordenador, así que transcribir es simplemente un cálculo local: no hay ningún servidor de por medio que guarde, intercepte o conserve tu voz sin que lo sepas.

Se descarga una vez y después transcribe en tu dispositivo

La mayoría de las herramientas de voz son servicios en la nube con icono de aplicación: necesitan conexión y una cuenta cada vez, porque el modelo que te entiende está en el hardware de otra empresa. DijiFlow Dictate hace lo contrario: lo instalas una vez y el trabajo pasa a tu chip.

Cómo funciona DijiFlow (en el dispositivo) Dictado en la nube
Funciona tras una única descarga ✓ ✗
Transcribe sin internet ✓ ✗
Sin cuenta ✓ ✗
El audio se queda en tu dispositivo ✓ ✗

Y más allá del Mac

El mismo enfoque en el dispositivo llega también a Windows 10 y 11, donde DijiFlow Dictate funciona con GPU de AMD, Intel y NVIDIA. Las GPU de NVIDIA necesitan CUDA y un controlador actualizado, pero el principio es el mismo: tu voz se transcribe en local, y ni tu voz ni tu texto salen de tu ordenador.

Sin trucos, solo buena ingeniería

Aquí no hay nada exótico. DijiFlow Dictate se basa en tecnología abierta y bien conocida: modelos de voz para escuchar, el marco de aprendizaje automático de Apple como entorno de ejecución y Apple Silicon como hardware. La decisión importante es mantenerlo todo en tu dispositivo, para que tengas la comodidad del dictado moderno sin entregar tu voz a nadie, tanto en la versión gratuita como en la prueba y en Pro.

Si prefieres comprobarlo a leer sobre ello, puedes probar gratis durante 30 días el dictado privado en el dispositivo con todas las funciones Pro.

DijiFlow DictateDijiFlow Dictate

El equipo de DijiFlow Dictate

Apuntes sobre dictado privado en tu dispositivo y cómo hacer más con tu voz.